【摘 要】
：
为了改善传统离散Gabor变换的时频分辨率,降低离散Gabor变换计算的复杂性,提出了一种基于多高斯窗的实值离散Gabor变换分析窗的快速求解算法。对多高斯窗下离散Gabor变换双正交关系式进行了简化,给出了分析窗组的代数方程表达式。该算法相对于多高斯Gabor展开的计算复杂度明显降低,仿真实验的结果也证明了该算法的有效性。
【机 构】
：
合肥学院电子信息与电气工程系,安徽大学计算智能与信号处理教育部重点实验室
论文部分内容阅读
为了改善传统离散Gabor变换的时频分辨率,降低离散Gabor变换计算的复杂性,提出了一种基于多高斯窗的实值离散Gabor变换分析窗的快速求解算法。对多高斯窗下离散Gabor变换双正交关系式进行了简化,给出了分析窗组的代数方程表达式。该算法相对于多高斯Gabor展开的计算复杂度明显降低,仿真实验的结果也证明了该算法的有效性。
其他文献
社会化媒体提供了海量的、大尺度的异质网络数据,如何对网络数据进行分类是一个亟待解决的新问题。基于潜在社会维模型,提出利用流形学习中的拉普拉斯特征映射算法进行社会维抽取。实验表明,在精确匹配率、微平均、宏平均等性能指标上,均优于基于模块度最大化的原有社会维模型。该算法能更好地获取用户的隐性联系,从而更好地分析网络用户行为。
提出了一种面向行为识别的拉普拉斯特征映射算法的改进方法。首先,将Kinect提供的关节点数据作为姿态特征,采用Levenstein距离改进流形学习算法中的拉普拉斯特征映射算法,并映射到二维空间得到待识别行为的嵌入空间;其次,结合待识别行为的嵌入空间和训练数据建立先验模型;最后,通过重新设计的粒子动态模型和观察模型,采用粒子滤波算法进行行为识别。实验结果表明,该方法可以对重复动作、遮挡,以及动作幅度
为了调控数据之间的差异性,一般化的处理方式是对数据简单地进行按比例缩放,而此类做法本身对于数据的信息是不存在任何破坏的。但在进行聚类分析时,大部分算法对于按比缩放的数据都是很敏感的,其中较典型的算法有极大熵聚类(MEC)算法。大量的实验表明,当缩放尺度位于10-3数量级以下时,极大熵聚类算法已经失效,通过该算法得到的聚类中心趋于一致。为了解决上述问题,在MEC算法的基础上引入最大中心间隔项与缩放因
为了通过视频场景人群状态分析及预报达到预防公共场所发生安全事故的目的,提出了一种改进的特征点格内驻留CA模型(inner-grid parking CA,IPCA)。依据行人行进速度各不相同的特点,将元胞内特征点移动速度的取值范围和方式进行了趋真模拟;在元胞格内引入驻留时间以消除个体行进中的位置误差;采用符合人类视野描述的三角形视场所覆盖的元胞确定前向及内容参数。实验结果表明,改进后的模型不依赖于
针对现有无线传感器网络多信道MAC协议没有区分数据业务优先级的问题,提出了一种基于区分服务的多信道协议(DP-McMAC)。该协议采用优先级调度策略和区分服务机制,对不同数据业务设置不同的退避参数和竞争窗口,并对提出的协议进行数学建模及延迟分析。仿真结果表明,该协议在高优先级数据的传输时延和吞吐量等性能方面比现有的协议均有所提高,并且保证了高优先级数据传输的实时性要求。
由于活动轮廓模型能量函数是非凸的,图像分割的结果易于陷入局部最优。为了克服该问题,提出一种基于凸活动轮廓模型的交互式彩色图像分割方法。该方法的新能量函数不仅充分利用边缘信息和颜色信息,还包含一种新定义的空间位置信息。通过模糊连接度构造空间位置信息,将其自适应地融合到活动轮廓模型中。在数值优化过程中,采用分裂Bregman方法获得新模型的全局最优解。针对多幅彩色自然图像作对比实验,结果表明新方法能够
考虑员工上下班时间及早晚高峰期影响班车行驶速度等因素,建立协同车辆路径问题的数学模型。针对蚁群优化算法的缺点,结合具有快速全局搜索能力的遗传算法,并自适应地改变信息素挥发因子,采用混沌搜索产生初始种群可以加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混合自适应蚁群优化算法。应用该算法和蚁群优化算法对该模型求解,实验证明了构造算法在收敛速度和寻优结果两方面都优于蚁群优化算法。
针对无线传感器网络中时延小和精确性高不能兼得这一状况,提出了一种建立在博弈模型基础上的均衡时延和精确性的自适应数据融合方法。该方法将所有网络节点根据能耗最优进行分簇,簇头与监控中心通过博弈来自适应地选择不同融合因子的融合算法使整个网络的总效益最大。实验仿真表明,在丢包率不同时,自适应融合算法可以得到最佳的融合因子,有效实现了时延和精确性的均衡。该方法为无线传感器网络中各个指标的折中提供了参考方向。